NumPy库入门

NumPy数据存取和函数

数据的CSV文件存取

CSV文件

CSV（Comma-Separated Value,逗号分隔值）是一种常见的文件格式，用来存储批量数据。

np.savetxt(frame,array,fmt='%.18e',delimiter=None)
  • frame：文件、字符串或产生器，可以是.gz或.bz2的压缩文件。
  • array：存入文件的数组。
  • fmt：写入文件的格式，例如：%d %.2f %.18e。
  • delimiter：分割字符串，默认是任何空格。

范例：savetxt()保存文件

In [1]: import numpy as np

In [2]: a = np.arange(100).reshape(5,20)

In [3]: np.savetxt('a.csv', a, fmt='%d', delimiter=',')

"a.csv"文件信息如下：

0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19

20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39

40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59

60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79

80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99
In [4]: np.savetxt('a1.csv', a, fmt='%.1f', delimiter=',')

"a1.csv"文件信息如下：

0.0,1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0,11.0,12.0,13.0,14.0,15.0,16.0,17.0,18.0,19.0

20.0,21.0,22.0,23.0,24.0,25.0,26.0,27.0,28.0,29.0,30.0,31.0,32.0,33.0,34.0,35.0,36.0,37.0,38.0,39.0

40.0,41.0,42.0,43.0,44.0,45.0,46.0,47.0,48.0,49.0,50.0,51.0,52.0,53.0,54.0,55.0,56.0,57.0,58.0,59.0

60.0,61.0,62.0,63.0,64.0,65.0,66.0,67.0,68.0,69.0,70.0,71.0,72.0,73.0,74.0,75.0,76.0,77.0,78.0,79.0

80.0,81.0,82.0,83.0,84.0,85.0,86.0,87.0,88.0,89.0,90.0,91.0,92.0,93.0,94.0,95.0,96.0,97.0,98.0,99.0
np.loadtxt(frame, dtype=np.float, delimiter=None, unpack=False)
  • frame：文件、字符串或产生器，可以是.gz或.bz2的压缩文件。
  • dtype：数据类型，可选。
  • delimiter：分割字符串，默认是任何空格。
  • unpack:如果True，读入属性将分别写入不同变量。

范例：loadtxt()读取文件

In [5]: b = np.loadtxt('a1.csv', delimiter=',')

In [6]: b

Out[6]:

array([[  0.,   1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.,

         11.,  12.,  13.,  14.,  15.,  16.,  17.,  18.,  19.],

       [ 20.,  21.,  22.,  23.,  24.,  25.,  26.,  27.,  28.,  29.,  30.,

         31.,  32.,  33.,  34.,  35.,  36.,  37.,  38.,  39.],

       [ 40.,  41.,  42.,  43.,  44.,  45.,  46.,  47.,  48.,  49.,  50.,

         51.,  52.,  53.,  54.,  55.,  56.,  57.,  58.,  59.],

       [ 60.,  61.,  62.,  63.,  64.,  65.,  66.,  67.,  68.,  69.,  70.,

         71.,  72.,  73.,  74.,  75.,  76.,  77.,  78.,  79.],

       [ 80.,  81.,  82.,  83.,  84.,  85.,  86.,  87.,  88.,  89.,  90.,

         91.,  92.,  93.,  94.,  95.,  96.,  97.,  98.,  99.]])

In [7]: b = np.loadtxt('a1.csv', dtype=np.int, delimiter=',')

In [8]: b

Out[8]:

array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,

        17, 18, 19],

       [20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36,

        37, 38, 39],

       [40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56,

        57, 58, 59],

       [60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76,

        77, 78, 79],

       [80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96,

        97, 98, 99]])

CSV文件的局限性

CSV只能有效存储一维和二维数组。np.savetxt()、np.loadtxt()只能有效存取一维和二维数组。

多维数据的存取

a.tofile(frame, sep='', format='%s')
  • frame：文件、字符串。
  • sep：数据分割字符串，如果是空串，写入文件为二进制。
  • format：写入数据的格式。

范例：tofile()存储多维数据

In [9]: a = np.arange(100).reshape(5,10,2)

In [10]: a.tofile('b.dat', sep=',', format='%d')

"b.dat"文件信息如下：

0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99
In [11]: a.tofile('b1.dat', format='%d')

"b1.dat"文件信息（二进制文件）如下：

0000 0000 0100 0000 0200 0000 0300 0000

0400 0000 0500 0000 0600 0000 0700 0000800 0000 0900 0000 0a00 0000 0b00 0000

0c00 0000 0d00 0000 0e00 0000 0f00 0000

1000 0000 1100 0000 1200 0000 1300 0000

1400 0000 1500 0000 1600 0000 1700 0000

1800 0000 1900 0000 1a00 0000 1b00 0000

1c00 0000 1d00 0000 1e00 0000 1f00 0000

2000 0000 2100 0000 2200 0000 2300 0000

2400 0000 2500 0000 2600 0000 2700 0000

2800 0000 2900 0000 2a00 0000 2b00 0000

2c00 0000 2d00 0000 2e00 0000 2f00 0000

3000 0000 3100 0000 3200 0000 3300 0000

3400 0000 3500 0000 3600 0000 3700 0000

3800 0000 3900 0000 3a00 0000 3b00 0000

3c00 0000 3d00 0000 3e00 0000 3f00 0000

4000 0000 4100 0000 4200 0000 4300 0000

4400 0000 4500 0000 4600 0000 4700 0000

4800 0000 4900 0000 4a00 0000 4b00 0000

4c00 0000 4d00 0000 4e00 0000 4f00 0000

5000 0000 5100 0000 5200 0000 5300 0000

5400 0000 5500 0000 5600 0000 5700 0000

5800 0000 5900 0000 5a00 0000 5b00 0000

5c00 0000 5d00 0000 5e00 0000 5f00 0000

6000 0000 6100 0000 6200 0000 6300 0000

b1.dat

np.fromfile(frame, dtype=float, count=-1, sep='')
  • frame：文件、字符串。
  • dtype：读取的数据类型。
  • count：读取元素个数，-1表示读入整个文件。
  • sep：数据分割字符串，如果是空串，写入文件为二进制。

范例：fromfile()函数读取多维数据

In [9]: c = np.fromfile('b.dat', dtype=np.int, sep=',')

In [10]: c

Out[10]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,

       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,

       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,

       51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,

       68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,

       85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])

In [11]: c = np.fromfile('b.dat', dtype=np.int, sep=',').reshape(5,10,2)

In [12]: c

Out[12]:
array([[[ 0,  1],

        [ 2,  3],

        [ 4,  5],

        [ 6,  7],

        [ 8,  9],

        [10, 11],

        [12, 13],

        [14, 15],

        [16, 17],

        [18, 19]],

       [[20, 21],

        [22, 23],

        [24, 25],

        [26, 27],

        [28, 29],

        [30, 31],

        [32, 33],

        [34, 35],

        [36, 37],

        [38, 39]],

       [[40, 41],

        [42, 43],

        [44, 45],

        [46, 47],

        [48, 49],

        [50, 51],

        [52, 53],

        [54, 55],

        [56, 57],

        [58, 59]],

       [[60, 61],

        [62, 63],

        [64, 65],

        [66, 67],

        [68, 69],

        [70, 71],

        [72, 73],

        [74, 75],

        [76, 77],

        [78, 79]],

       [[80, 81],

        [82, 83],

        [84, 85],

        [86, 87],

        [88, 89],

        [90, 91],

        [92, 93],

        [94, 95],

        [96, 97],

        [98, 99]]])

Out[12]:

In [13]: c = np.fromfile('b1.dat',dtype=np.int).reshape(5,10,2)

In [14]: c
Out[14]:

array([[[ 0,  1],

        [ 2,  3],

        [ 4,  5],

        [ 6,  7],

        [ 8,  9],

        [10, 11],

        [12, 13],

        [14, 15],

        [16, 17],

        [18, 19]],

       [[20, 21],

        [22, 23],

        [24, 25],

        [26, 27],

        [28, 29],

        [30, 31],

        [32, 33],

        [34, 35],

        [36, 37],

        [38, 39]],

       [[40, 41],

        [42, 43],

        [44, 45],

        [46, 47],

        [48, 49],

        [50, 51],

        [52, 53],

        [54, 55],

        [56, 57],

        [58, 59]],

       [[60, 61],

        [62, 63],

        [64, 65],

        [66, 67],

        [68, 69],

        [70, 71],

        [72, 73],

        [74, 75],

        [76, 77],

        [78, 79]],

       [[80, 81],

        [82, 83],

        [84, 85],

        [86, 87],

        [88, 89],

        [90, 91],

        [92, 93],

        [94, 95],

        [96, 97],

        [98, 99]]])

Out[14]:

需要注意：

该方法需要读取时知道存入文件时数组的维度和元素类型。a.tofile()和np.fromfile()需要配合使用。

可以通过元素据文件来存储额外信息。也可以通过文件名来保存数组维度和元素类型（例：b1_int_5_10_2.dat）

Numpy的便捷文件存取

np.save(fname,array) 或 np.savez(fname,array)
  • fname：文件名，以.npy为扩展名，压缩扩展名为.npz
  • array：数组变量
np.load(fname)
  • fname：文件名，以.npy为扩展名，压缩扩展名为.npz

范例：使用save()、load()

In [15]: np.save('a.npy',a)

"a.npy"文件信息如下：

934e 554d 5059 0100 4600 7b27 6465 7363

7227 3a20 273c 6934 272c 2027 666f 7274

7261 6e5f 6f72 6465 7227 3a20 4661 6c73

652c 2027 7368 6170 6527 3a20 2835 2c20

3130 2c20 3229 2c20 7d20 2020 2020 200a

0000 0000 0100 0000 0200 0000 0300 0000

0400 0000 0500 0000 0600 0000 0700 0000800 0000 0900 0000 0a00 0000 0b00 0000

0c00 0000 0d00 0000 0e00 0000 0f00 0000

1000 0000 1100 0000 1200 0000 1300 0000

1400 0000 1500 0000 1600 0000 1700 0000

1800 0000 1900 0000 1a00 0000 1b00 0000

1c00 0000 1d00 0000 1e00 0000 1f00 0000

2000 0000 2100 0000 2200 0000 2300 0000

2400 0000 2500 0000 2600 0000 2700 0000

2800 0000 2900 0000 2a00 0000 2b00 0000

2c00 0000 2d00 0000 2e00 0000 2f00 0000

3000 0000 3100 0000 3200 0000 3300 0000

3400 0000 3500 0000 3600 0000 3700 0000

3800 0000 3900 0000 3a00 0000 3b00 0000

3c00 0000 3d00 0000 3e00 0000 3f00 0000

4000 0000 4100 0000 4200 0000 4300 0000

4400 0000 4500 0000 4600 0000 4700 0000

4800 0000 4900 0000 4a00 0000 4b00 0000

4c00 0000 4d00 0000 4e00 0000 4f00 0000

5000 0000 5100 0000 5200 0000 5300 0000

5400 0000 5500 0000 5600 0000 5700 0000

5800 0000 5900 0000 5a00 0000 5b00 0000

5c00 0000 5d00 0000 5e00 0000 5f00 0000

6000 0000 6100 0000 6200 0000 6300 0000

a.npy

通过读取二进制文件发现np.load()方法除了将数据存放到.npy文件，还增加了额外的信息。

In [16]: b = np.load('a.npy')

In [17]: b

Out[17]:
array([[[ 0,  1],

        [ 2,  3],

        [ 4,  5],

        [ 6,  7],

        [ 8,  9],

        [10, 11],

        [12, 13],

        [14, 15],

        [16, 17],

        [18, 19]],

       [[20, 21],

        [22, 23],

        [24, 25],

        [26, 27],

        [28, 29],

        [30, 31],

        [32, 33],

        [34, 35],

        [36, 37],

        [38, 39]],

       [[40, 41],

        [42, 43],

        [44, 45],

        [46, 47],

        [48, 49],

        [50, 51],

        [52, 53],

        [54, 55],

        [56, 57],

        [58, 59]],

       [[60, 61],

        [62, 63],

        [64, 65],

        [66, 67],

        [68, 69],

        [70, 71],

        [72, 73],

        [74, 75],

        [76, 77],

        [78, 79]],

       [[80, 81],

        [82, 83],

        [84, 85],

        [86, 87],

        [88, 89],

        [90, 91],

        [92, 93],

        [94, 95],

        [96, 97],

        [98, 99]]])

Out[17]:

Numpy的随机数函数

Numpy的random子库

基本格式：np.random.*

np.random.rand()、np.random.randn()、np.random.randint()

np.random的随机数函数

函数 说明
rand(d0,d1, ... ,dn) 根据d0 - dn 创建随机数组，浮点数，[0,1)，均匀分布
randn(d0,d1, ... ,dn) 根据d0 - dn创建随机数组，标准正态分布
randint(low,[,high,shape]) 根据shape创建随机整数或整数数组，范围是[low,high]
seed(s) 随机数种子，s是给定的种子值

范例：函数测试

In [18]: a = np.random.rand(3,4,5)

In [19]: a

Out[19]:

array([[[ 0.97845512,  0.90466706,  0.92576248,  0.77775142,  0.84334893],

        [ 0.39599821,  0.31917683,  0.7961439 ,  0.01324569,  0.97660396],

        [ 0.5049603 ,  0.80952265,  0.67359257,  0.89334316,  0.94496225],

        [ 0.04840473,  0.04665257,  0.20956817,  0.62255095,  0.36600489]],

       [[ 0.58059326,  0.28464266,  0.23596248,  0.16677631,  0.86467069],

        [ 0.14691968,  0.60863245,  0.71725038,  0.69206766,  0.18301705],

        [ 0.73197901,  0.99051723,  0.10489076,  0.33979432,  0.0354286 ],

        [ 0.73696453,  0.48268632,  0.99294233,  0.06285961,  0.93090147]],

       [[ 0.07853777,  0.827061  ,  0.66325364,  0.52289669,  0.96894828],

        [ 0.41912388,  0.01883408,  0.80978245,  0.93082898,  0.98095581],

        [ 0.58614214,  0.55996867,  0.37734444,  0.79280598,  0.03626233],

        [ 0.233132  ,  0.22514788,  0.32245147,  0.13739658,  0.18866422]]])

In [20]: sn = np.random.randn(3,4,5)

In [21]: sn

Out[21]:

array([[[-0.54821321,  0.35733947,  0.74102173, -1.26679716, -0.75072289],

        [ 0.13182283,  2.32578442, -0.52208189,  2.5041796 , -0.96995644],

        [ 1.00171095,  0.97037733,  1.55386206, -0.94515087,  0.75707273],

        [-1.2481768 ,  0.53095038,  0.92527818, -0.17261088, -0.13667463]],

       [[ 2.18760173, -0.93813162,  0.19032109, -1.59605908, -0.96802666],

        [ 0.30649913,  1.32375007,  0.72547761, -1.59253182, -0.72385311],

        [-2.22923637, -1.05462649,  1.82672301,  0.47343961, -0.9786459 ],

        [-0.36857965,  0.59003624,  1.80140997,  1.00965744,  1.9037593 ]],

       [[ 0.36273071, -0.0447364 ,  1.27120325,  0.21076423, -0.40820945],

        [-1.22315321, -1.94670543,  0.17959233, -1.1020581 ,  0.17423733],

        [-1.16368644,  0.00589158,  1.19701291, -0.4255035 , -0.7508364 ],

        [-1.61788168,  0.50386607,  0.15993032,  0.36881486, -0.41457221]]])

In [22]: b = np.random.randint(100,200,(3,4))

In [23]: b

Out[23]:

array([[163, 171, 163, 168],

       [166, 127, 160, 109],

       [135, 111, 196, 190]])

In [24]: np.random.seed(10)

In [25]: np.random.randint(100,200,(3,4))

Out[25]:

array([[109, 115, 164, 128],

       [189, 193, 129, 108],

       [173, 100, 140, 136]])

In [26]: np.random.seed(10)

In [27]: np.random.randint(100,200,(3,4))

Out[27]:

array([[109, 115, 164, 128],

       [189, 193, 129, 108],

       [173, 100, 140, 136]])

np.random的随机数函数

函数 说明
shuffle(a) 根据数组a的第1轴进行随机排列，改变数组x
permutation(a) 根据数组a的第1轴产生一个新的乱序数组，不改变数组x
choice(a,[,size,replace,p]) 从一维数组a中以概率p抽取元素，形成size形状新数组
replace表示是否可以重用元素，默认为False

范例：函数测试

In [28]: a = np.random.randint(100,200,(3,4))

In [29]: a

Out[29]:

array([[116, 111, 154, 188],

       [162, 133, 172, 178],

       [149, 151, 154, 177]])

In [30]: np.random.shuffle(a)

In [31]: a

Out[31]:

array([[116, 111, 154, 188],

       [149, 151, 154, 177],

       [162, 133, 172, 178]])

In [32]: np.random.shuffle(a)

In [33]: a

Out[33]:

array([[162, 133, 172, 178],

       [116, 111, 154, 188],

       [149, 151, 154, 177]])

In [34]: a = np.random.randint(100,200,(3,4))

In [35]: a

Out[35]:

array([[113, 192, 186, 130],

       [130, 189, 112, 165],

       [131, 157, 136, 127]])

In [36]: np.random.permutation(a)

Out[36]:

array([[113, 192, 186, 130],

       [130, 189, 112, 165],

       [131, 157, 136, 127]])

In [37]: a

Out[37]:

array([[113, 192, 186, 130],

       [130, 189, 112, 165],

       [131, 157, 136, 127]])

In [38]: b = np.random.randint(100,200,(8,))

In [39]: b

Out[39]: array([177, 122, 123, 194, 111, 128, 174, 188])

In [40]: np.random.choice(b,(3,2))

Out[40]:

array([[122, 188],

       [123, 177],

       [174, 188]])

In [41]: np.random.choice(b,(3,2),replace=False)

Out[41]:

array([[123, 111],

       [128, 188],

       [174, 122]])

In [42]: np.random.choice(b,(3,2),p= b/np.sum(b))

Out[42]:

array([[174, 122],

       [188, 194],

       [174, 123]])
函数 说明
uniform(low,high,size) 产生具有均匀分布的数组，low起始值，high结束值，size形状
normal(loc,scale,size) 产生具有正态分布的数组，loc均值，scale标准差，size形状
poisson(lam,size) 产生具有泊松分布的数组，lam随机事件发生率，size形状 
In [43]: u = np.random.uniform(0,10,(3,4))

In [44]: u

Out[44]:

array([[ 8.8393648 ,  3.25511638,  1.65015898,  3.92529244],

       [ 0.93460375,  8.21105658,  1.5115202 ,  3.84114449],

       [ 9.44260712,  9.87625475,  4.56304547,  8.26122844]])

In [45]: n = np.random.normal(10,5,(3,4))

In [46]: n

Out[46]:

array([[ 12.8882903 ,   2.6251256 ,  10.39394227,  14.59206826],

       [  7.5365132 ,  10.48231186,   6.73620032,   8.89118781],

       [  4.65856717,   3.86153973,   1.00713488,   6.5739633 ]])

NumPy的统计函数

Numpy直接提供的统计类函数

基本格式：np.*

np.std()、np.var()、np.average()

np.random的统计函数

函数 说明
sum(a,axis=None) 根据给定轴axis计算数组a相关元素之和，axis整数或元组
mean(a,axis=None) 根据给定轴axis计算数组a相关元素的期望，axis整数或元组
average(a,axis=None,weights=None) 根据给定轴axis计算数组a相关元素的加权平均值
std(a,axis=None) 根据给定轴axis计算数组a相关元素的标准差
var(a,axis=None) 根据给定轴axis计算数组a相关元素的方差

axis=None是统计函数的标配参数，表示对每个元素进行计算。

In [47]: a = np.arange(15).reshape(3,5)

In [48]: a

Out[48]:

array([[ 0,  1,  2,  3,  4],

       [ 5,  6,  7,  8,  9],

       [10, 11, 12, 13, 14]])

In [49]: np.sum(a)

Out[49]: 105

In [50]: np.mean(a,axis=1)      # 2. = (0+5+10)/3

Out[50]: array([  2.,   7.,  12.])

In [51]: np.mean(a,axis=0)

Out[51]: array([ 5.,  6.,  7.,  8.,  9.]) # 7. = (2+7+12)/3

In [52]: np.average(a, axis=0, weights=[10,5,1]) #  加权平均： 4.1875 = (2*10+7*5+1*12)/(10+5+1)

Out[52]: array([ 2.1875,  3.1875,  4.1875,  5.1875,  6.1875])

In [53]: np.std(a)

Out[53]: 4.3204937989385739

In [54]: np.var(a)

Out[54]: 18.666666666666668
函数 说明
min(a) max(a) 计算数组a中元素的最小值、最大值
argmin(a) argmax(a) 计算数组a中元素最小值、最大值的降一维后下标
unravel_index(index,shape) 根据shape将一维下标index转换成多维下标
ptp(a) 计算数组a中元素最大值与最小值的差
median(a) 计算数组a中元素的中位数（中值） 
In [55]: b = np.arange(15,0,-1).reshape(3,5)

In [56]: b

Out[56]:

array([[15, 14, 13, 12, 11],

       [10,  9,  8,  7,  6],

       [ 5,  4,  3,  2,  1]])

In [57]: np.max(b)

Out[57]: 15

In [58]: np.argmax(b)   # 扁平化后的下标

Out[58]: 0

In [59]: np.unravel_index(np.argmax(b), b.shape)    # 重塑成多维下标

Out[59]: (0, 0)

In [60]: np.ptp(b)

Out[60]: 14

In [61]: np.median(b)

Out[61]: 8.0

Numpy的梯度函数

np.random的梯度函数

函数 说明
np.gradient 计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

梯度：连续值之间的变化率，即斜率。 XY坐标轴连续X坐标对应的Y轴值：a,b,c，其中b的梯度是：(c-a)/2

In [62]: a = np.random.randint(0,20,(5))

In [63]: a

Out[63]: array([14, 16, 10, 17,  0])

In [64]: np.gradient(a)     # 存在两侧值：-2. = (10-14)/2

Out[64]: array([  2. ,  -2. ,   0.5,  -5. , -17. ])

In [65]: b = np.random.randint(0,20,(5))

In [66]: b

Out[66]: array([17,  9, 16,  9, 12])

In [67]: np.gradient(b)     # 只有一侧值：-8. = (9-17)/1

Out[67]: array([-8. , -0.5,  0. , -2. ,  3. ])

In [68]: c = np.random.randint(0, 50, (3,5))

In [69]: c

Out[69]:

array([[30, 17, 17, 16,  0],

       [31, 37,  9,  0, 38],

       [22, 32,  2,  3, 31]])

In [70]: np.gradient(c)

Out[70]:

[array([[  1. ,  20. ,  -8. , -16. ,  38. ],

        [ -4. ,   7.5,  -7.5,  -6.5,  15.5],

        [ -9. ,  -5. ,  -7. ,   3. ,  -7. ]]),

 array([[-13. ,  -6.5,  -0.5,  -8.5, -16. ],

        [  6. , -11. , -18.5,  14.5,  38. ],

        [ 10. , -10. , -14.5,  14.5,  28. ]])]

数据分析与展示——NumPy数据存取与函数的更多相关文章

  1. 数据分析与展示---Numpy数据存取与函数

    简介 一:数据的CSV文件存取(一维或二维) (一)写入文件savetxt (二)读取文件loadtxt 二:多维数据的存取 (一)保存文件tofile (二)读取文件fromfile (三)NumP ...

  2. 第一周——数据分析之表示 —— Numpy 数据存取与函数

    数据的CSV文件的存取 CSV文件:CSV (Comma‐Separated Value, 逗号分隔值) CSV是一种常见的文件格式,用来存储批量数据 np.savetxt(frame, array, ...

  3. Python数据分析与展示(1)-数据分析之表示(2)-NumPy数据存取与函数

    NumPy数据存取与函数 数据的CSV文件存取 CSV文件 CSV(Comma-Separated Value,逗号分隔值) CSV是一种常见的文件格式,用来存储批量数据. 将数据写入CSV文件 np ...

  4. Python——NumPy数据存取与函数

    1.数据csv文件存贮 1.1 CSV文件写入 CSV (Comma‐Separated Value, 逗号分隔值)CSV是一种常见的文件格式,用来存储批量数据 np.savetxt(frame, a ...

  5. Numpy数据存取与函数

    数据的CSV文件存取 多维数据的存取 NumPy的随机数函数 NumPy的统计函数 NumPy的梯度函数

  6. 数据分析与展示——NumPy库入门

    这是我学习北京理工大学嵩天老师的<Python数据分析与展示>课程的笔记.嵩老师的课程重点突出.层次分明,在这里特别感谢嵩老师的精彩讲解. NumPy库入门 数据的维度 维度是一组数据的组 ...

  7. Numpy数据存取

    Numpy数据存取 numpy提供了便捷的内部文件存取,将数据存为np专用的npy(二进制格式)或npz(压缩打包格式)格式 npy格式以二进制存储数据的,在二进制文件第一行以文本形式保存了数据的元信 ...

  8. 数据分析与展示---Numpy入门

    概括: 一:数据维度 (一)一维数据 (二)二维数据 (三)多维数据 (四)高维数据 二:Numpy的数组对象:ndarray (一)Numpy介绍 (二)N维数组对象ndarray (三)ndarr ...

  9. 数据分析与展示——Pandas数据特征分析

    Pandas数据特征分析 数据的排序 将一组数据通过摘要(有损地提取数据特征的过程)的方式,可以获得基本统计(含排序).分布/累计统计.数据特征(相关性.周期性等).数据挖掘(形成知识). .sort ...

随机推荐

  1. LKD: Chapter 8 Bottom Halves and Deferring Work

    In 2.6.x, there are 3 mechanisms for implementing a bottom half: softirqs, tasklets and work queues. ...

  2. [OIDC in Action] 1. 基于OIDC（OpenID Connect）的SSO

    在[认证授权]系列博客中,分别对OAuth2和OIDC在理论概念方面进行了解释说明,其间虽然我有写过一个完整的示例(https://github.com/linianhui/oidc.example) ...

  3. android TransFormexecption 解决

    近期编译的时候遇到这个问题.... > com.android.build.api.transform.Transformexception: java.util.zip.ZipExceptio ...

  4. Less 编译工具

    Less 编译工具 虽然你可以选择在浏览器端使用Less,直接在页面中嵌入一个 Less.js 文件,你也可以选择在服务器端使用Less,使用命令行将Less文件编译成最终的CSS文件. 然而,这两种 ...

  5. thinkphp 使用插件异步上传图片或者文件

    使用tp做一些上传的功能,的确挺方便.但是在一些特殊情况下无法单独的使用tp的上传功能, 或者需要做一些比较酷炫的上传效果,这里就需要用到框架了. 我在这里使用的是uploadify上传插件. 首先需 ...

  6. apache通过AD验证

    ## apache通过AD验证 #yum install httpd mod_authz_ldap#安装apahce的ldap模块yum install mod_authz_ldap -y #配置ap ...

  7. Filter、Listener 学习总结

    今天我们来介绍 Filter.Listener 这两个模块一些简单的知识和应用,接下来我们开始我们的正题 ! 1. Filter(过滤器) 1.1 对 Servlet 容器调用 Servlet 的过程 ...

  8. 负载均衡之nginx

    什么是负载均衡负载均衡(Load Balance)是分布式系统架构设计中必须考虑的因素之一,它通常是指,将请求/数据[均匀]分摊到多个操作单元上执行,负载均衡的关键在于[均匀].在使用nginx负载均 ...

  9. IE之页面加载慢.

    场景 场景是大屏页面一张深色背景, 里面一些文本元素以及图表展示. 结果在IE下发现加载异常缓慢, 还有部分人员反馈页面卡死. 后台读写优化 默认处理图片逻辑是, ImageIO读取原图, 转成byt ...

  10. Java 代码质量

    被滥用的instanceof instanceof滥用, 或者直接强转, 大都数情况可以用方法override, 而且应当避免使用isA(), isB()之类的写法; 比如sonA和sonB都继承自p ...